Cuando Fei-Fei y yo nos unimos a Google Cloud hace poco más de un año, emprendimos una misión para democratizar la inteligencia artificial (AI). Nuestro objetivo era reducir las barreras de entrada y poner la AI a disposición de la mayor comunidad posible de desarrolladores, investigadores y empresas.
Nuestro equipo de Google Cloud AI ha realizado grandes progresos para conseguir este objetivo. En 2017, presentamos el servicio de aprendizaje automático (ML) Google Cloud Machine Learning Engine, creado para ayudar a los desarrolladores con experiencia en ML a crear de forma fácil modelos de ML que funcionen con cualquier tipo de datos de cualquier tamaño. Mostramos cómo los servicios modernos de aprendizaje automático, como las API—incluyendo las de Vision, Speech, NLP, Translation y Dialogflow— pueden crearse basándose en modelos entrenados previamente, para llevar las aplicaciones empresariales a una escala sin precedentes. Kaggle, nuestra comunidad de científicos de datos e investigadores de ML, ha crecido a más de 1 millón de miembros. Y hoy, más de 10.000 empresas usan los servicios de Google Cloud AI, incluyendo compañías como Box, Rolls Royce Marine, Kewpie y Ocado.
Pero hay mucho más por hacer. En estos momentos, solo algunas empresas en todo el mundo tienen acceso al talento y a los presupuestos necesarios para aprovechar en su totalidad los avances en ML y AI. Y hay un número muy limitado de personas capaces de crear modelos avanzados de aprendizaje automático. Por si fuera poco, si tu compañía es una de las que tiene acceso a ingenieros de ML/AI, aún tienes que gestionar el proceso tan complicado y que requiere una gran cantidad de tiempo necesario para crear tu propio modelo de ML. Aunque Google ha ofrecido modelos de aprendizaje automático previamente entrenados a través de API que realizan tareas específicas, aún necesitamos realizar mucho más trabajo para llevar la AI a todas las personas.
Para acabar con este problema y hacer la AI accesible a todas las empresas, presentamos el Cloud AutoML que ayuda a las empresas con una experiencia limitada en ML a empezar a crear sus propios modelos personalizados de alta calidad, aprovechando para ello técnicas avanzadas, como el learning2learn y el transfer learning de Google. Pensamos que el Cloud AutoML va a incrementar la productividad de los expertos en AI, además de impulsar nuevos campos en AI y ayudar a los ingenieros con menos conocimientos a crear unos potentes sistemas de AI con los que solo podrían haber soñado hasta ahora.
Nuestra primera versión del Cloud AutoML será el AutoML Vision, un servicio que acelera y simplifica la creación de modelos de ML personalizados para reconocimiento de la imagen. Su interfaz de tipo arrastrar y soltar te permite cargar con facilidad imágenes, entrenar y gestionar modelos y, posteriormente, instalar dichos modelos entrenados directamente en Google Cloud. Los primeros resultados del uso de Cloud AutoML Vision para clasificar conjuntos de datos públicos populares como los de ImageNet y CIFAR, nos han mostrado unos resultados más precisos con menos fallos en la clasificación, en comparación con las API genéricas para ML.
A continuación, proporcionamos más información sobre todo lo que tiene que ofrecer el Cloud AutoML Vision:
- Una mayor precisión: El Cloud AutoML Vision se basa en los destacados mecanismos para reconocimiento de la imagen de Google, incluyendo el transfer learning y las tecnologías de búsquedas basadas en arquitectura neuronal . De esta manera, tendrás un modelo más preciso incluso cuando tu empresa tenga una experiencia limitada en aprendizaje automático.
- Un más rápido cambio a unos modelos preparados para la producción: Con el Cloud AutoML, puedes crear un modelo sencillo en unos minutos para manejar tu aplicación habilitada por AI. O crear un modelo completo preparado para la producción en tan solo un día.
- Fácil de usar: AutoML Vision proporciona una interfaz gráfica del usuario sencilla que te permite especificar los datos, para convertiros en un modelo de alta calidad y personalizado para satisfacer tus necesidades específicas.
“Urban Outfitters busca constantemente nuevos mecanismos para mejorar la experiencia de compra de sus clientes», afirma Alan Rosenwinkel, científico de datos en URBN. «La creación y el mantenimiento de un conjunto completo de atributos de los productos es esencial para ofrecer a nuestros clientes unas recomendaciones de productos relevantes, unos resultados de búsquedas precisos y unos filtros útiles para los productos. Sin embargo, la incorporación manual de los atributos de productos es una tarea ardua y que precisa una gran cantidad de tiempo.
Para ocuparnos de ello, nuestro equipo ha evaluado el Cloud AutoML para automatizar el proceso de atribución de productos, mediante el reconocimiento las características específicas de los productos, como, por ejemplo, los patrones de los estampados y los tipos de escotes. Cloud AutoML es una gran solución que puede servir de gran ayuda a nuestros clientes para mejorar las experiencias del usuario para buscar, encontrar y sugerirles productos».
Mike White, CTO y vicepresidente primero de Disney Consumer Products and Interactive Media, comenta: “La tecnología de Cloud AutoML nos ayuda a la creación de modelos de visión para incorporar en nuestros productos personales de Disney, categorías de productos y colores. Estas aportaciones se integran en nuestro motor de búsqueda para mejorar el impacto de la experiencia de Guest con unos resultados de búsquedas más relevantes, la agilización de la localización de los productos y la mejora a la hora de recomendar productos en la tienda de Disney”.
Sophie Maxwell, directora de Conservation Technology en el Zoological Society de Londres, nos indica: «ZSL es una organización benéfica encargada de la conservación de los animales y su hábitat a escala internacional. Un requisito clave para cumplir con sus objetivos es el seguimiento de las poblaciones de fauna silvestre para mejorar los conocimientos sobre su distribución y el impacto que tienen los seres humanos en el mantenimiento de estas especies. Para lograr este objetivo, ZSL ha instalado una serie de cámaras en la selva para capturar imágenes de los animales a su paso, activando los dispositivos mediante el uso de sensores de calor y movimiento. Los millones de imágenes capturadas por estos dispositivos se analizan manualmente, incorporando información sobre las especies como, por ejemplo, la de leones, jirafas, etc., una tarea que precisa una gran cantidad de trabajo y dinero. El departamento especializado de Conservation Technology Unit de ZSL ha colaborado estrechamente con el equipo de CloudML de Google para desarrollar esta interesante tecnología, que ZSL desea utilizar para automatizar el etiquetado de estas imágenes – reduciendo costes, permitiendo un despliegue del sistema a mayor escala y mejorando los conocimientos sobre la conservación de la fauna silvestre en todo el mundo»
Si estás interesado en probar el Auto ML Vision, puedes solicitarlo a través de este acceso.
El AutoML Vision es el resultado de nuestra estrecha colaboración con los equipos de Google Brain y Google AI, y es el primero de varios productos Cloud AutoML en desarrollo. Aunque aún estamos en el inicio de nuestros planes para hacer más accesible la AI, nos hemos inspirado en lo que han podido conseguir más de nuestros 10.000 clientes que ya usan productos de Cloud AI. Esperamos que el lanzamiento del Cloud AutoML sirva de ayuda para que más empresas descubran lo que pueden conseguir con el uso de la AI.
Publicado por Jia Li, Head of R&D, Cloud AI, and Fei-Fei Li, Chief Scientist, Cloud AI
Referencias
[1] Learning Transferable Architectures for Scalable Image Recognition, Barret Zoph, Vijay Vasudevan, Jonathon Shlens, and Quoc V. Le. Arxiv, 2017.
[2] Progressive Neural Architecture Search, Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017
[3] Large-Scale Evolution of Image Classifiers, Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.
[4] Neural Architecture Search with Reinforcement Learning, Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.
[5] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, and Alex Alemi. AAAI, 2017.
[6] Bayesian Optimization for a Better Dessert, Benjamin Solnik, Daniel Golovin, Greg Kochanski, John Elliot Karro, Subhodeep Moitra, D. Sculley. NIPS, Workshop on Bayesian Optimization, 2017
Source: Google Oficial